随着生产实践和科学研究的深入,人类面临的优化问题也越来越复杂,传统优化方法已不能在有限开销内找到满意解,所以需要不断的找出更好更快的优化算法来解决问题。粒子群算法(Particle Swarm Optimization, PSO)作为一种高效的启发式优化算法自1995年提出以来因为其优化效果好、收敛速率快和适应能力强的特点而被广泛应用于各个领域。但与繁荣的应用成果相反,PSO算法的理论研究进展缓慢,至今也没有提出一种系统的理论解释PSO算法的搜索机制为什么有效,应该从哪个方向改进才能得到更好的效果。目前多数研究算法搜索行为的文献还只是从经验的角度单独分析某一特性来寻找算法改进的途径。虽然这些研究为理解PSO算法的本质提供了大量有价值的结论,但这些结论不具有普适性的指导。所以从机理的角度更深入地明确算法的搜索特征,找出优缺点,进一步提高粒子群算法优化能力的研究是必要和有意义的。本文首先对优化问题中的Benchmark测试函数进行了研究,提出了一种基于“当前控制域”的函数分类方式,这种方式可以有效结合优化算法进行分析,能够直观地反映出不同的优化问题对算法的优化效果产生的具体影响；其次,在前人对PSO算法收敛性研究的基础上提出了PSO的深度搜索模式,通过对深度搜索模式进行分析不但可以明确算法最终的搜索行为,并且可以得出算法能否找到全局最优值的近似概率。以这种模式为指导,本文给出了基于社会跟随效应的改进PSO算法：社会粒子群算法(SPSO)。SPSO算法用跟随阈值调节粒子间的相关作用,结构简单且可以有效防止种群多样性的丧失。Benchmark测试函数的实验表明SPSO算法在优化效果、收敛速率、不同优化问题的适应性方面都有明显的改进。最后将SPSO算法应用于无线传感器网络的覆盖优化问题中,仿真结果显示在传感器节点部分覆盖、完全覆盖和冗余覆盖三种情况下,SPSO算法均能达到较高的覆盖率。